Imgix 如何使用 NVIDIA Blackwell 驱动的 G4 VM 每日处理 80 亿张图像
TL;DR · AI 摘要
Imgix 使用 NVIDIA Blackwell 驱动的 G4 VM 处理每日 80 亿张图像，实现 50% 延迟降低和 6 倍吞吐量提升。
核心要点
- Imgix 每天处理超过 80 亿张图像和视频。
- 采用 G4 VM 后，Imgix 将延迟降低了 50%，吞吐量提高了 6 倍。
- G4 VM 配备 NVIDIA RTX PRO 6000 Blackwell GPU，支持实时图像处理和多请求并行处理。
结构提纲
按章节快速跳转。
思维导图
用一张图看清主题之间的关系。
查看大纲文本（无障碍 / 无 JS 友好）
- Imgix 图像处理
- 引言
- 挑战：大规模即时视觉效果
- 采用运行 Google 的系统
- Imgix 架构内部
- Ingestion
- Decoding
- Transformation
- Encoding and Delivery
- 高级视频和图像智能
金句 / Highlights
值得收藏与分享的关键句。
每天，Imgix 为这些品牌和其他许多品牌提供超过 80 亿张图像和视频。
通过转向由 NVIDIA RTX PRO 6000 Blackwell GPU 驱动的 G4 VM，Imgix 加速了其实时处理能力，将中位延迟减少了 50%，并将每个节点的吞吐量提高了 6 倍。
G4 VM 的自定义 P2P 互连比标准配置的吞吐量高出 168%。
标题：Imgix 如何借助 NVIDIA Blackwell 驱动的 G4 虚拟机每日处理 80 亿张图片
来源 URL：https://cloud.google.com/blog/products/infrastructure/how-imgix-processes-8-billion-images-daily-with-g4-vms-powered-by-nvidia-blackwell/
发布日期：2026-05-12
Markdown 内容： 现代网络高度视觉化。用户时间有限且注意力易分散，因此企业深知必须在数秒内通过引人入胜的图片、视频、动画等视觉元素吸引潜在客户。这也是 Bugatti、Yeti、Porsche、Spotify 和 Sonos 等知名品牌依赖 Imgix 作为其在线视觉内容核心引擎的原因。
Imgix 每日为这类品牌及其他众多客户处理超过 80 亿张图片和视频。凭借统一媒体优化、AI 转换与全球交付的平台，Imgix 确保合作伙伴的数字体验既快速又个性化，且具备卓越性能。如今，领先企业对实时、高保真媒体的需求日益迫切，且要求处理速度极快。
为满足这一需求，Imgix 已将基础设施从私有数据中心迁移至基于 Google Cloud AI 超算平台 的全栈 GPU 环境。通过采用搭载 NVIDIA RTX PRO 6000 Blackwell GPU 的 G4 虚拟机，Imgix 显著提升了实时处理能力，将中位延迟降低 50%，单节点吞吐量提升 6 倍，且无需修改核心应用代码。
**挑战：规模化实时视觉体验**
要吸引用户注意力，企业需要能同时触达海量设备的丰富、快速加载内容。
其中关键环节是实时转换——包括缩放、格式协商及艺术效果应用——而实现这些转换所需的计算能力极为庞大。
若技术效率低下，加载速度将变慢，品牌可能因此损害用户体验。Imgix 的解决方案是“按需生成”理念。实现此目标需高性能实例。借助 G4 虚拟机，Imgix 能在用户请求时即时处理图片，而非预渲染并存储数百万种图片变体。
**采用 Google 云运行的系统**
当企业基于 Google Cloud 构建应用时，获得的远不止服务器：它们接入了驱动 Google 数十亿用户产品的同一智能引擎。Imgix 通过使用 G4 虚拟机充分利用了这一结构性优势。
G4 虚拟机集成八颗 NVIDIA RTX PRO 6000 Blackwell GPU、两颗 AMD Turin CPU 以及 Google Titanium 卸载功能——后者如同企业服务器的专属行政助理，后台处理安全与数据流量等“行政事务”，让主处理器专注于核心计算任务。
G4 虚拟机的定制点对点互连（P2P interconnect）可提供比标准配置高 168% 的吞吐量。借助此架构，Imgix 能将所有图片处理操作迁移至 NVIDIA GPU，并在集群中并行处理多项请求。
**Imgix 架构解析**
Imgix 提供 150 多种视觉滤镜，其架构可动态处理用户选择的转换请求。处理流程包含四个核心阶段：
- 摄入（Ingestion）：系统直接从客户处获取资源，并路由至 Google Cloud Storage (GCS) 上的 2.5 PB 存储缓存。这一高速层以冗余、地理分布式的基础设施替代了不可靠的随机网络请求。
- 解码（Decoding）：高性能 C 库结合 nvJPEG 将资源解码为原始 RGBA 数据。这利用 G4 虚拟机的海量并行能力，同时处理霍夫曼解码、反离散余弦变换及色彩空间转换等多阶段操作。
- 转换（Transformation）：自定义 Vulkan 计算着色器栈处理核心计算。与固定图形管线不同，这些着色器将缩放或遮罩等转换视为并行数学问题，而非标准图形任务，使 G4 虚拟机集群能同时处理数千像素操作。
- 编码与交付（Encoding and Delivery）：转换完成后，图片通过硬件加速工具（如 NVENC）重新编码，并经全球 CDN 交付。由于 G4 虚拟机内置独立的 NVENC（编码）与 NVDEC（解码）硬件引擎，CUDA 核心上的并发图片操作不会受阻。
**高级视频与图像智能**
Imgix 还利用 NVIDIA CUDA 库实现高性能视频分析。通过集成 NVIDIA DeepStream，它能在视频流中实时执行物体追踪，实现自动化内容分析。
对于静态图像，Imgix 则通过 nvJPEG 将计算密集型 JPEG 解码直接卸载至 GPU。这避免了高分辨率资源摄入时的 CPU 瓶颈，同时使自定义 Vulkan 计算着色器能立即在 GPU 内存中的原始 RGBA 数据上执行像素级转换。
**成果：速度提升 50%，吞吐量最高达 6 倍**
得益于迁移到 G4 虚拟机，Imgix 在无需重写核心逻辑的前提下，实现了上述显著性能提升：
- 处理延迟降低50%： 中位延迟从100毫秒降至50毫秒。
- 吞吐量提升5倍至6倍： 其G4虚拟机现在可处理比上一代节点高六倍的工作负载。
- 无缝迁移： Imgix通过更新Terraform脚本支持G4虚拟机，无需修改任何应用代码。
“依托Google Cloud的AI超算不仅优化了现有工作负载，更确保了平台的未来兼容性。它为我们提供了基础算力，使我们能无缝整合高级生成式AI能力至实时工作流，助力客户在全球规模下突破视觉叙事的边界。”——Alfonso Acosta，Imgix工程负责人
**规模化编排**
为支撑客户每日处理的数十亿张图片和视频请求，Imgix构建了复杂的混合编排模型：
- 管理层： Google Cloud Run 负责管理会话与账户层。
- 核心处理： Google Compute Engine 管理的实例组托管G4虚拟机，允许自定义软件直接调用整机资源，无需容器"切片"。
- 动态扩缩容： 自动扩缩容基于自定义应用指标（如机器队列长度）而非标准CPU利用率，确保系统最昂贵组件实现最大效率。
- 自愈机制： 自定义监控系统实时检测驱动故障，自动终止并重启GPU实例，无需人工干预。
- 性能优化： 为维持峰值性能，Imgix使用NVIDIA Nsight Systems定位并解决代码瓶颈。
**未来：从实验到落地**
即便已实现显著性能提升，Imgix仍在持续扩展AI基础设施，使客户能使用生成式填充、背景替换、物体移除和图像放大等高级功能。
此类功能依赖高性能机器学习系统，需在不损失速度或质量的前提下处理日益复杂的计算。通过采用Google AI超算，Imgix现已高效部署并提供这些模型，为客户提供实时、可投入生产的AI编辑能力。随着对更动态、个性化视觉体验的需求增长，这一基础确保Imgix能持续可靠地规模化交付强大功能。
**立即启程**
G4虚拟机原生兼容Google Compute Engine、Google Kubernetes Engine、Google Cloud Storage及Vertex AI。
- 深入探索： 查看Imgix GitHub架构。
- 开始构建： 阅读G4虚拟机文档。
发布于